May, 2024

使用集成提示、文档融合和相关反馈的生成查询重构

PDF
TL;DR通过使用两种基于集成的提示技术（GenQREnsemble 和 GenQRFusion）来改进搜索查询的检索性能，利用反馈信息提供更好的搜索体验，并建立了自动查询改写的最新技术水平。
query reformulationzero-shot qrensemble prompting techniquesretrieval performanceautomated query reformulation
发现论文，激发创造
  • GenQREnsemble：用于生成性查询重表述的零射预训练语言模型集成提示

    通过使用零 - shot 询问版本，我们提出了一种基于集成提示技术的查询再构建方法，称为 GenQREnsemble，该方法利用零 - shot 指令的释义生成多组关键词，从而最终提高检索性能。

    Apr, 2024

  • 深度加强型查询重构用于信息检索

    通过使用深度强化学习模型，本研究提出了一个自动生成措辞的查询改写模型。在模型中结合了查询性能预测方法以产生高效的查询。并且针对信息检索的情境下，运用了信息检索排名模型训练，并在 TREC 2020 Deep Learning track MSMARCO 文献排名数据集上进行实验。结果表明，与各种基线模型相比，本研究的模型性能得到了较大提高。

    Jul, 2020

  • ConvGQR: 面向对话搜索的生成查询改写

    本文提出了 ConvGQR 的框架，该框架基于生成预训练语言模型，一种用于查询重写，另一种用于生成潜在答案。通过结合两者，ConvGQR 可以产生更好的搜索查询。此外，我们提出了一种知识注入机制来优化查询重写和检索，实验表明 ConvGQR 的有效性。

    May, 2023

  • 面向对话式搜索的零次查询重构

    通过无监督对话查询改写，解决了普遍存在的语义歧义和遗漏问题，提升了零样本会话搜索的性能和可解释性。

    Jul, 2023

  • 探索合成查询生成在相关性预测中的可行性

    本研究探讨了如何利用 QGen 方法进行细粒度的相关性预测，介绍了 label-conditioned QGen 模型来区分不同等级的相关性，然而 QGen 方法仍然难以捕捉到完整的相关性标签空间，从而生成的查询与所需的相关性标签不符。

    May, 2023

  • 相对为上！-- 一种用于提升零样本相关性预测的合成查询生成方法

    最近大型语言模型（LLMs）的发展表明，通过仅给出少量示例，可以生成合成的查询 - 文档对，从而为建立更好的信息检索模型提供支持，特别是对于没有可用训练数据的任务。本文提出通过同时为不同标签生成查询来减轻 LLMs 的负担，通过大量实验发现，以这种方式生成的合成查询在下游任务中表现更好，说明生成的查询确实具有更高的质量。

    Nov, 2023

  • 选择查询包作为信息寻求对话中的伪相关反馈

    本论文提出了一种 Query-bag 基于伪相关反馈的框架（QB-PRF），通过构建与查询相关的查询包作为伪信号来指导信息检索对话，采用对比学习训练无监督方式中的同义查询选择模块（QBS），通过多维注意力计算融合同义查询的查询包融合模块（QBF），验证其在两个预训练骨干模型（BERT 和 GPT-2）上的优越性能。实验结果表明，QB-PRF 框架在两个基准数据集上的表现比强基线模型更好。

    Mar, 2024

  • 强化取代监督：使用深度强化学习进行查询聚焦摘要

    提出了一种使用强化学习和多个策略梯度网络的查询导向摘要生成方法，通过改进语义相似性奖励以及使用聚类假设构建的段落嵌入方案，显著提高了生成文本质量和性能。

    Nov, 2023

  • 响应增强的半监督对话查询生成

    提出了一种半监督学习框架 SemiDQG，通过使用未标注的对话数据来改进模型性能，使用类似度选择策略选取高质量伪查询进一步训练模型，并采用 REINFORCE 算法作为精细化训练信号，实验结果表明该框架在跨领域和资源有限场景中具有显著优势。

    Dec, 2023

  • 利用隐式反馈来改进问题生成

    本文研究了一种基于模式匹配的自动问句生成系统 GEN，它可以从用户进行的（隐式）反馈中进行学习，并且根据反馈对所生成的问句进行打分和排名，取得了相当大的改进。

    Apr, 2023